[发明专利]分类器训练方法

权利要求书

1.一种分类器训练方法，其特征在于，所述分类器训练方法包括以下步骤：

通过计算机图形模型生成数据集，所述数据集包括多种场景类别的样本；

按照预定比例将所述数据集中的样本随机分配到训练集、验证集和测试集中；

使用深度神经网络训练所述训练集来得到多个初始模型；以及

利用所述验证集对所述多个初始模型进行验证，得到具有最优参数的训练模型。

2.根据权利要求1所述的分类器训练方法，其特征在于，在得到所述训练模型之后，还包括：利用所述测试集测试所述训练模型，分别得到各个场景类别的测试结果。

3.根据权利要求2所述的分类器训练方法，其特征在于，在得到所述测试结果之后，所述分类器训练方法还包括以下步骤：

将所述测试结果中最低正确率对应的场景类别的信息反馈给所述计算机图形模型；

所述计算机图形模型修改与该场景类别对应的参数，生成关于该场景类别的新样本；以及

将所述新样本添加到所述训练集中。

4.根据权利要求3所述的分类器训练方法，其特征在于，在将所述新样本添加到所述训练集中之后，重复深度神经网络的训练、所述验证集的验证、所述测试集的测试、最低正确率的反馈以及生成新样本的处理，直到各个场景类别的测试结果的正确率都大于预定阈值为止。

5.根据权利要求3所述的分类器训练方法，其特征在于，所述新样本在所述训练集中的比例为20％。

6.根据权利要求4所述的分类器训练方法，其特征在于，重复所述深度神经网络的训练包括以下两种方式中的任一种：

利用所述深度神经网络重新训练添加有所述新样本的所述训练集来得到新的训练模型；

在所述深度神经网络中，利用添加有所述新样本的训练集对先前训练得到的训练模型的模型参数进行微调来得到新的训练模型。

7.根据权利要求1至6中任一项所述的分类器训练方法，其特征在于，所述训练集中的各场景类别样本的初始比例相同。

8.根据权利要求1至6中任一项所述的分类器训练方法，其特征在于，

所述训练集和所述验证集中还包括真实样本。

9.根据权利要求1至6中任一项所述的分类器训练方法，其特征在于，

所述训练集、所述验证集和所述测试集中还包括真实样本。

10.根据权利要求1至6中任一项所述的分类器训练方法，其特征在于，所述训练集、所述验证集和所述测试集中包括训练目标的标定文件。

11.根据权利要求1至6中任一项所述的分类器训练方法，其特征在于，所述多种场景类别包括晴天、阴天、雪天、雨天、白天、夜晚、强光等。